多光谱成像的补充信息是否能提高面部呈现攻击检测?
本文提出了一种多光谱框架用于差异化仿真攻击检测,该方法通过在电子护照中捕获的基准图像和在可信设备中捕获的面部图像来检测电子护照中呈现的人脸图像是否被修改,并在多个会话中使用可见光和多光谱相机对 143 个独特数据主体进行了广泛实验,结果表明该多光谱框架的性能优于可见光图像检测。
Apr, 2023
本研究提出了一种基于多通道卷积神经网络的面部攻击检测方法,以解决面部生物识别在非监督应用中易受攻击的问题,并引入了新的宽多通道演示攻击数据库用于面部演示攻击研究。研究结果表明该方法优于现有特征提取方法,能够在 WMCA 数据库上实现 0.3% 的 ACER 性能,并已开放该数据库和相关软件供公共使用。
Sep, 2019
本文介绍了一种名为 face-GPAD 的新的开源评估框架,旨在研究人脸 PAD 方法的泛化能力,同时提出了一个聚合和分类的大型数据集,以解决公共数据集之间的不兼容性问题,并提出了两个新的评估协议,旨在测量人脸分辨率变化引入的影响和评估对抗性操作条件的影响。
Apr, 2019
该论文介绍了一种利用人脸相关任务先验知识来提高 Presentation Attack Detection (PAD) 的泛化能力的方法,该方法包括引入人脸相关任务的特征、设计跨模态适配器以重新映射特征并使用卷积神经网络 (CNN) -basaed PA 检测器的分层特征和重新映射特征来实现 PAD。实验结果表明,该方法在复杂和混合数据集上表现显着优于现有技术。
Nov, 2021
本研究提出了一种采用 RGB 和深度通道的新框架,结合一种新的损失函数用于检测人脸识别中的攻击,通过多通道提取信息,减小过拟合的影响并提高鲁棒性。新的跨模态焦点损失函数通过基于信道的置信度来调制每个信道的损失贡献,通过两个公开的数据集进行广泛评估,证明了该方法的有效性。
Mar, 2021
本研究提出了一种基于 Flickr 图像的新型 PAD 数据库:Flickr-PAD,利用该数据库进行训练和评估可以得到比现有算法更好的结果,该方法使用了 MobileNet-V3 和 EfficientNet-B0 模型, BPCER10 为 7.08%,BPCER20 为 11.15%。
Apr, 2023
提出一种双流卷积神经网络框架,其中一流在频域中适应四个可学习频率滤波器来学习特征,另一流利用 RGB 图像来补充频域特征,通过分层注意力模块进行信息融合,提升面部呈现攻击检测方法的泛化能力。
Sep, 2021
通过分类总结深度学习 Fingerprint Presentation Attack Detection(FPAD)的方法,主要集中于近年来的 deep-learning FPAD 技术,涉及指纹认证、攻击检测、接触式和智能手机模式等主题。
May, 2023
本研究提供了一个结合多个 PAD 数据集的 Combined Attribute Annotated PAD Dataset(CAAD-PAD),并引入了 Accuracy Balanced Fairness(ABF)这一新指标来综合衡量 PAD 的公平性和绝对性能,同时提出了一种名为 FairSWAP 的数据增强方法,可以提高面部 PAD 的公平性和性能。
Sep, 2022